本文介绍了 GraphSim 模型,该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题,获得了在四个真实世界图数据集上的最先进性能。
Sep, 2018
本文介绍了一种利用多重不同尺度结构的图形来建立层次结构的核函数,同时通过引入随机映射方法,使得这种核函数能够在计算上可行。
Mar, 2016
本文介绍了一种基于 Wasserstein 距离和 Weisfeiler-Lehman embedding 的新型图卷积核方法,以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。
Jun, 2019
本文提出了一种新的全局对齐图核算法,该算法利用几何节点嵌入和基于 Earth Mover's distance 的关联节点传输,得到的图嵌入称为 “随机图嵌入(RGE)”,可以通过定义在随机图上的分布自然地产生随机特征近似,实验结果表明 RGE 超越或匹配了十二个最先进的图分类算法。
Nov, 2019
本文介绍了一种多层图形核的家族,并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据,从而将卷积核网络推广到了图形结构数据,实现了高效的数据表示和训练。在多个图形分类基准测试中,该方法实现了竞争性的性能,同时提供了简单的模型解释。
Mar, 2020
本文旨在利用图形核函数解决图形数据处理问题,通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习,最终在十个基准数据集的七个中达到了优异的表现。
Oct, 2017
基于扩散核的扩散学习框架在图神经网络中控制了特征聚合范围,解决了节点级分类和过度平滑化的问题,并具备在阿尔茨海默病分类中实际应用的可行性。
Jan, 2024
通过深层次图对齐核(Deep Hierarchical Graph Alignment Kernels)解决了图卷积核函数在分解图形成非同构子结构并进行比较时忽视隐含相似性和拓扑位置信息所限制性能的问题,理论分析保证了该方法在复制核希尔伯特空间中为半正定且具有线性可分性,在各种基准数据集上与最先进的图卷积核函数进行比较证明了 DHGAK 的有效性和高效性。
May, 2024
利用核函数的理论基础构建多路相似性理论框架来将实值数据建模为超图,并提出了基于超图切割的谱聚类算法。
Mar, 2022
本文提出了一种新的 GNN 框架,称为 “核图神经网络”,将图核函数集成到 GNN 的消息传递过程中,通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入,并显示 MPNN 可以视为 KerGNN 的特殊情况,该方法在多个图相关任务中表现出具有竞争力的性能,并提高了模型可解释性与传统 GNN 模型相比。
Jan, 2022